La détection d'intentions ouvertes, un aspect crucial de la compréhension du langage naturel, implique l'identification d'intentions précédemment inconnues dans le texte généré par les utilisateurs. Malgré les progrès réalisés dans ce domaine, des défis persistent dans la gestion de nouvelles combinaisons de composants linguistiques, ce qui est essentiel pour la généralisation compositionnelle. Dans cet article, nous présentons une étude de cas explorant l'utilisation de ChatGPT comme technique d'augmentation de données pour améliorer la généralisation compositionnelle dans les tâches de détection d'intentions ouvertes. Nous commençons par discuter des limites des benchmarks existants pour évaluer ce problème, soulignant la nécessité de construire des ensembles de données destinés à aborder la généralisation compositionnelle dans les tâches de détection d'intentions ouvertes. En intégrant des données synthétiques générées par ChatGPT au processus d'entraînement, nous montrons que notre approche peut améliorer efficacement les performances du modèle. Une évaluation rigoureuse sur plusieurs benchmarks révèle que notre méthode surpassse les techniques existantes et renforce considérablement les capacités de détection d'intentions ouvertes. Nos résultats mettent en lumière le potentiel des grands modèles linguistiques comme ChatGPT pour l'augmentation de données dans les tâches de compréhension du langage naturel.